生成数据增强和自动优化卷积神经网络用于过程监控

科学领域:

• 化学测量 化学测量 化学测量
• 机器学习 机器学习
• 生物制药过程分析技术 (PAT)

背景情况:

• 对光谱数据的化学度模型对于实时生物制药过程控制和释放测试至关重要.
• 机器学习 (ML) 模型比线性方法提供了更好的准确性和可转移性,但需要大型数据集,这在生物制药环境中很少.
• 使用现实的in silico样本进行数据增强是克服数据限制的潜在解决方案.

研究的目的:

• 开发和实施一种新的数据增强方法,用于生成in silico光谱数据.
• 使用这些增强数据来训练和优化卷积神经网络 (CNN) 模型.
• 为了比较优化的CNN模型与传统的部分最小平方回归 (PLS) 模型的性能.

主要方法:

• 开发了一种新的数据增强方法,该方法基于对纯成分配置文件的局部估计.
• 用贝叶斯优化调整数据增强和CNN架构的超参数.
• 优化的CNN模型与PLS模型进行了比较,使用准确性,稳定性和可解释性的指标.

主要成果:

• 数据增强方法通过调整纯成分配置文件以适应度制度,产生了高度现实的光谱数据.
• 与PLS模型相比,使用in silico数据增强CNN可以提高单克隆抗体 (mAb) 尺寸变异量化预测准确度高达50%.
• CNNs表现出对噪声和波长转移的强度增加,多个卷积块提高了准确性和可转移性.

结论:

• 拟议的数据增强方法有效地提高了生物制药光谱分析中的ML模型性能.
• 与传统的PLS模型相比,优化的CNN为mAb分析提供了更高的准确性和稳定性.
• 这些发现支持使用先进的数据增强和深度学习来监测和控制生物制药过程.